O início da computação eletrônica se dá nos anos 40 e 50, ainda tendo a válvula como o hardware básico de sua concepção. Os computadores, então, eram dedicados a aplicações específicas (não permitiam que a programação fosse alterada).
Posteriormente, juntamente com a eletrônica, sua memória e capacidade de processamento vêm sofrendo um desenvolvimento vertiginoso, o que levou a uma obsessão pela busca por resultados cada vez mais precisos, de tal forma que se os dados de entrada e o algoritmo, que determina a lógica do programa, estivessem corretos, ficava assegurada uma precisão muito grande dos resultados, levando assim a soluções cada vez mais confiáveis, com o erro tendendo para zero.
Hoje, com o advento da Inteligência Artificial – IA, buscamos computadores que sejam espertos, isto é, que possam ter insights e ser criativos. Mas aqui aparece um dilema: Como manter os resultados precisos e permitir a criatividade? Como permitir que programas que seguem, estritamente, algoritmos “engessados” e que por isso levam a resultados sempre precisos sejam criativos?
Acontece que a criatividade requer liberdade para a criação. Muita liberdade possibilita soluções muito criativas, mas com possibilidades de erros (devaneios). Pouca liberdade reduz a criatividade e admite soluções mais pobres, mas com pouco risco de devaneios. A IA sofre desse pecado de nascença, ela pode levar a resultados brilhantes na solução de um problema, mas pode também incorrer em erros grosseiros e respostas tão inesperados quanto a solução brilhante.
Se um trem se vê obrigado a seguir os trilhos existentes entre duas cidades, não há possibilidade de se otimizar a sua trajetória. Porém se o trajeto for feito por avião, por exemplo, pode-se optar por diferentes alturas ou mesmo rotas distintas. No que concerne a IA, dentre as alternativas aventadas, um programa deve privilegiar aquelas soluções que otimizem uma determinada “função objetivo” sujeita às restrições impostas ao problema. Essa função deve associar cada solução a uma grandeza escalar. Assim, podemos modelá-la como sendo o peso de uma estrutura, o custo de um processo ou o tempo de percurso de uma trajetória. O problema deve, então, ser resolvido de forma a otimizar uma dessas funções objetivo.
Nesse cenário, o erro associado à solução obtida não depende apenas da precisão dos dados de entrada e do seu processamento, mas vai depender também das rotas escolhidas pelo algoritmo utilizado e pela função objetivo designada para avaliar a solução ótima. Por analogia, a própria evolução das espécies só nos trouxe ao estágio de evolução a que chegamos, graças à possibilidade de erro cometido durante a reprodução das espécies. Uma certa taxa de mutações (erros aleatórios) é desejável para permitir essa evolução. Um critério de seleção (natural) se impõe para determinar quais espécies têm maior probabilidade de subsistir e prosperar, fazendo o papel da função objetivo. Assim, se repetíssemos exatamente as condições sobre a Terra de 10.000 anos atrás, a experiência da evolução das espécies certamente nos traria, hoje, a um mundo bastante distinto.
Professor Mario Olavo Magno de Carvalho | Consultor da SER
A SER RENOVÁVEIS incentiva ativamente o debate sobre temas relacionados aos seus negócios, pois acreditamos que isso contribui para enriquecer as discussões. Portanto, é importante destacar que as opiniões expressas por nossos articulistas não refletem, necessariamente, a posição oficial da empresa.